Email Dataset

同时每个规则均有自己的【适用范围】； 方案实体关系图 方案产品示意图 方案三以考勤组实体为核心没有独立的打卡外勤补卡规则三个实体直接当做考勤组的附属属性处理。但加班规则的实体是单独实体与核心实体考勤组无任何关联。 方案实体关系图 方案产品示意图 方案四也是以考勤组实体为核心没有独立的打卡外勤规则实体直接当做考勤组的附属属性处理。但加班补卡外出/出差规则均是单独实体且通过适用范围与考勤组完成相互关联本质多对的关系。 方案实体关系图 方案产品示意图 . 解析 综合解耦度可扩展性用户体验三个维度进行分析可得出下图的结论 为什么是这么一个评分？ 我们假设下面几个场景 企业甲属于中大型企业有三个子公司各自下设个不同的部门不同部门的出勤班次打卡方式加班规则外出规则不同但对应的补贴扣款补卡出差则适用于全公司。



企业乙属于中小型企业核心分 阿联酋电话号码列表 两类考勤规则打卡出勤规则比较简单；一类偏支持坐班办公是常态偶尔加班基本不外出。 结合以上二个简单案例以及将来适配更多不同行业不同规模不同阶段的企业的考勤规则我们可以得出以下分析结论 从解耦程度看方案二>方案一 = 方案四>方案三。 方案二的每个实体都是独立且互相完全不关联所以解耦程度最高； 方案一跟四解耦程度几乎一致把核心实体与关联实体基本都拆解为了独立实体。同时又保持了实体之间的关联关系。 方案三解耦程度相对一般主要因其关联的补卡外勤补贴扣款等实体均未独立只是单纯把加班规则进行了独立解耦。



从可扩展性看方案一 = 方案四>方案二 = 方案三。 方案一跟四核心实体与关联实体均已足够独立且解耦基本的骨架与结构已构建完成。后续扩展时只要围绕每个实体各自进行扩展相互之间无任何影响所以扩展性更强。 方案二跟三则或多或少都有些扩展的局限性。 比如方案二中所有实体均有自己的适用范围但凡扩展一个适用范围的条件就得全部动一遍以及后续如果想将所有实体进行融合关联基本就需要重构。 方案三则如果想重点做补卡外勤等想将其独立成一个实体时将其对应属性从考勤组进行抽离也将是一个不小的工作量。 从用户体验看方案四>方案一>方案三 = 方案二。